基于人机交互的体质辨识方法、系统及存储介质与流程

1.本发明涉及智慧医疗技术领域，涉及一种基于人机交互的体质辨识方法、系统、电子设备及计算机可读存储介质。


背景技术：

2.在中医的问诊过程中，“望、闻、问、切”四诊是重要的诊断方式，而问是“诊病之要领，临证之首务”；在问诊过程中，通过医生与患者的有目的的对话获取病人的病症信息和体质信息，进而确定患者的体质，然后根据体质特征寻找发病规律，把握健康与疾病的整体要素和个体差异，进而指导临床防治疾病；由于问诊内容具有一定的主观性，富有经验的医生往往通过几个简单的问题，即可对疾病做出初步判断甚至准确诊断；而初级医师则需要结合更多的信息才可以做出比较合理的判断；医师若要提高问诊效率，需要额外掌握丰富的问诊方法和沟通技巧，使得临床诊断的门槛增高。
3.现有技术中的基于智慧医疗的智能体质辨识系统，是通过针对患者的症状进行一系列长时间的提问，最终根据患者的肯定症状来确定患者体质，进而对患者疾病进行诊断。具有的弊端如下：1)仅根据患者症状进行诊断，并未考虑患者的基本信息、否定症状、舌诊结果等项目在体质辨识以及疾病诊断中的作用；2)存在体质辨识、疾病诊断的流程冗余，疾病诊断效率低，诊断结果精准性不高的问题。
4.因此，亟需一种符合体质辨识与疾病诊断的逻辑关系的智能中医问诊系统。


技术实现要素：

5.本发明提供一种基于人机交互的体质辨识方法、系统、电子设备及计算机可读存储介质，用于解决现有的中医智能问诊过程中体质辨识精确度有待提高的问题。
6.为实现上述目的，本发明提供的一种基于人机交互的体质辨识方法，方法包括：
7.通过预设的第一轮问题交互获取患者的个体数据；其中，所述个体数据包括个人身份信息和症状信息，所述症状信息包括强关联症状和弱关联症状；
8.利用预设体质判别规则对所述个体数据的个人身份信息进行判断确定所述患者的初始化体质分；
9.根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分；
10.当所述体质得分符合预设的体质分值评价标准时，筛选当前轮次的权重分数符合预设标准的症状作为待询问症状；
11.按照预设的轮次问题针对所述待询问症状进行询问直至问题结束得到最终体质得分；
12.根据所述最终体质得分，确定所述患者的体质辨识结果。
13.进一步，优选的，
14.利用所述患者的个体数据的症状信息，通过病症体质权值映射表获得体质召回率数据，利用所述体质召回率数据对所述最终体质得分进行调整，获得患者的召回症状调整体质得分；
15.所述个体数据还包括舌诊信息；利用所述患者的个体数据的症状信息以及舌诊信息获得舌诊调整数据，利用所述舌诊调整数据对患者的召回症状调整体质得分进行调整，获得患者的最终体质得分，利用最终体质得分确定所述患者的体质辨识结果。
16.进一步，优选的，根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分的方法，包括：
17.将初始化体质分和所述强关联症状输入预训练的随机森林体质判定模型确定所述强关联症状的特征重要性预测值，将所述强关联症状的特征重要性预测值作为所述强关联症状的权重；
18.利用所述弱关联症状，通过预设的症状体质关联表获得弱关联症状的权重；
19.利用所述强关联症状的权重和所述弱关联症状的权重，通过预设的症状体质关联表获得患者的体质得分。
20.进一步，优选的，还包括，所述随机森林体质判定模型的预训练方法，包括：
21.将患者临床症状数据集分为训练集和测试集；
22.以患者是否存在强关联症状作为自变量，以患者是否属于某一体质类型作为因变量，利用所述训练集以体质类别为单位分别构建随机森林模型；
23.利用所述测试集对所述以体质类别为单位的随机森林模型进行测试，并调整所述随机森林模型的参数，获得随机森林体质判定模型。
24.进一步，优选的，还包括：
25.对当前轮次的体质得分按照从大到小进行排序，判断处于首位和第二位的体质得分之差是否大于预设阈值；
26.若大于，则进行下一轮症状提问；
27.若不大于，则停止提问终止。
28.为了解决上述问题，本发明还提供一种基于人机交互的体质辨识系统，所述系统包括：
29.数据获取单元，用于通过预设的第一轮问题交互获取患者的个体数据；其中，所述个体数据包括个人身份信息和症状信息，所述症状信息包括强关联症状和弱关联症状；
30.初始化体质分获取单元，用于利用预设体质判别规则对所述个体数据的个人身份信息进行判断确定所述患者的初始化体质分；
31.体质得分获取单元，根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分；
32.最终体质得分获取单元，用于当所述体质得分符合预设的体质分值评价标准时，筛选当前轮次的权重分数符合预设标准的症状作为待询问症状；按照预设的轮次问题针对所述待询问症状进行询问直至问题结束得到最终体质得分；
33.体质预测单元，用于根据所述最终体质得分，确定所述患者的体质辨识结果。
34.进一步，优选的，还包括，召回症状调整单元，用于利用所述患者的个体数据的症状信息，通过病症体质权值映射表获得体质召回率数据，利用所述体质召回率数据对所述最终体质得分进行调整，获得患者的召回症状调整体质得分。
35.进一步，优选的，还包括：舌诊症状调整单元，用于利用所述患者的个体数据的症状信息以及舌诊信息获得舌诊调整数据，利用所述舌诊调整数据对患者的召回症状调整体质得分进行调整，获得患者的最终体质得分，利用最终体质得分确定所述患者的体质辨识结果。
36.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
37.存储器，存储至少一个指令；及
38.处理器，执行所述存储器中存储的指令以实现上述所述的基于人机交互的体质辨识方法中的步骤。
39.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于人机交互的体质辨识方法。
40.本发明通过预设的第一轮问题交互获取患者的个体数据；其中，所述个体数据包括个人身份信息和症状信息，所述症状信息包括强关联症状和弱关联症状；利用预设体质判别规则对所述个体数据的个人身份信息进行判断确定所述患者的初始化体质分；根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分根据所述最终体质得分，确定所述患者的体质辨识结果。具有的有益效果如下：
41.1)相对于目前业界问诊系统流程中存在的询问轮次过多，问诊流程冗余，诊断结果不精确等问题，本发明在中医体质辨识场景下，加入传统问诊流程中忽略的否定症状，将否定症状与肯定症状结合后通过真实临床业务数据研究得到权重来区分强关联与弱关联症状，进而将强关联症状作为问诊过程中优先询问的症状，达到了能够更好的简化问诊流程，缩小问诊轮次的技术效果；
42.2)基于辨病、辩证、辩体三位一体的思想，通过业务数据归纳的疾病、证型与体质之间强关联关系来进一步调整体质分，达到减小问诊过程中的询问次数的同时增加体质辨识的诊断效率以及准确率的技术效果；
43.3)通过引入舌诊症状信息，能够进一步提升体质辨识准确率，简化体质辨识场景下的问诊流程；总之，通过患者基本信息、否定症状的纳入、权重研究、三位一体的应用、舌诊结果的纳入，达到了在中医体质辨识场景下，能够准确且有效的减少问诊次数，实现更加智能化的动态问诊流程的技术效果。
附图说明
44.图1为本发明一实施例提供的基于人机交互的体质辨识方法的流程示意图；
45.图2为本发明一实施例提供的基于人机交互的体质辨识方法的原理示意图；
46.图3为本发明一实施例提供的基于人机交互的体质辨识系统的模块示意图；
47.图4为本发明一实施例提供的实现基于人机交互的体质辨识方法的电子设备的内部结构示意图；
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
50.体质是指在人的生命过程中，在先天禀赋和后天获得的基础上所形成的形态结构、生理功能和心理状态方面综合的、相对稳定的固有特质。辩体、辩病、辩证诊断相辅相成，在临床的疾病诊断与治疗中具有重要作用。因此，本发明的基于人机交互的体质辨识方法可以全面、科学、准确的理解体质辨识与疾病诊断之间的影响关系，在疾病诊断系统中嵌入智能化体质辨识方法，将辨体、辩病、辩证相结合，实现问诊过程中的“问说明、怎么问”的动态智能化。通过患者基本信息、否定症状的纳入、权重研究、三位一体的应用、舌诊结果的纳入，提出的中医体质辨识场景下能够准确且有效的减少问诊次数，实现更加智能化的动态问诊流程。
51.参照图1所示，为本发明一实施例提供的基于人机交互的体质辨识方法的流程示意图。该方法可以由一个系统执行，该系统可以由软件和/或硬件实现。
52.在本实施例中，基于人机交互的体质辨识方法包括s110～s150：
53.s110、通过预设的第一轮问题交互获取患者的个体数据；其中，所述个体数据包括个人身份信息和症状信息，所述症状信息包括强关联症状和弱关联症状。
54.在具体的实施过程中，提问获取患者的个体数据的方式可以但不限制为手机端或电脑端作为服务端，其中，也可以远程通过病人端将采集到的有效数据，通过蓝牙等无线传输或者有线传输方式，传输到医生端。
55.患者可以通过基于中医体质辨识场景下的智能问诊平台实现体质监测、就诊指导、自我评估、知识科普以及病友交流；医生可以通过所述基于中医体质辨识场景下的智能问诊平台实现病程管理、科学研究，医学科研工作者可以通过所述基于中医体质辨识场景下的智能问诊平台，长期或者广泛跟踪患者，获得研究支持。医患双方通过基于中医体质辨识场景下的智能问诊平台在非直接接触情况下构建联系，进行信息交互。
56.在一种可能的实现方式中，在服务端进行展示的可以为自然语言文本，也可以为电子化的医疗记录；所述自然语言文本为医疗文本，所述医疗文本可以是医疗电子记录(electronic healthcare record)，电子化的个人健康记录，包括病历、心电图、医学影像等一系列具备保存备查价值的电子化记录。而服务终端，可以是智能手机、平板电脑、pad、pc端或者智能手环等，在手机上实现可以依靠app或者微信小程序。
57.s120、利用预设体质判别规则对所述个体数据的个人身份信息进行判断确定所述患者的初始化体质分。
58.具体地说，就是根据历史资料建立性别年龄初始化字典，根据患者的个人身份信息(即性别、年龄信息)获得患者的初始化体质分。而性别年龄初始化字典是依据历史中医医疗通过统计学方法获取的，包括年龄分组、性别以及体质分的映射关系的数据集合。
59.根据患者的年龄、性别信息，初始化患者的各个体质分。其中，该初始化分数通过权重研究的统计学方法结果来确定年龄、性别对体质的影响，将对应的权值作为其体质的初始化得分。其中，基于临床业务数据，通过年龄、性别进行分组统计得到的权重结果如表1和表2所示：
60.表1男性—年龄权重
61.年龄气虚质气郁质湿热质痰湿质特禀质血瘀质阳虚质阴虚质0-120.200.20.6000012-180.250.030.190.12000.060.3418-440.210.030.310.24000.080.1344-590.160.050.240.43000.080.0359-740.33000.67000075-8900000000》9000000000
62.表2女性—年龄权重
63.年龄气虚质气郁质湿热质痰湿质特禀质血瘀质阳虚质阴虚质0-120.1700.080.75000012-18000.50.25000.25018-440.120.10.220.4600.030.060.0244-590.090.040.280.500.020.040.0459-74000.40.20000.475-8900010000》9000000000
64.以35岁男性为例，其湿热质初始权值则为0.31，痰湿质权值为0.43，依次类推。
65.s130、根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分。
66.具体地说，根据本轮患者提供的肯定症状与否定症状来调整体质得分，并且将肯定症状和否定症状区划分为强关联症状与若关联症状。通过引入否定症状后，体质辨识的准确率可以得到提升，同时也为疾病诊断的提问提供了重要的依据。之后将肯定症状和否定症状分为强关联、弱关联症状，进而根据弱关联症状与强关联症状的影响权值，强关联症状与体质间的对应关系来调整症状体质得分。需要说明的是，强关联症状与弱关联症状是根据中医体质辨识的相关书籍与相关专家所确定。例如，弱关联症状“腰痛”，强关联症状为“畏寒”，二者之间的影响权值为0.3，强关联症状对应的体质为“阳虚”体质，二者之间的影响权值为0.6，体质得分调整的方式为：
67.调整后的阳虚体质得分＝调整前的阳虚体质的得分*(1 0.3*0.6)。
68.根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分的方法，包括：
69.s131、将初始化体质分和所述强关联症状输入预训练的随机森林体质判定模型确定所述强关联症状的特征重要性预测值，将所述强关联症状的特征重要性预测值作为所述强关联症状的权重；其中，所述随机森林模型通过在训练数据集中随机有放回抽取若干个子集，每个子集生成一棵分类与回归树，利用最优变量及对应的最优值对所述分类与回归树进行划分，通过对若干个分类与回归树的预测值进行平均获得强关联特征的特征重要性
预测值。
70.s132、利用所述弱关联症状，通过预设的症状体质关联表获得弱关联症状的权重；
71.s133、利用所述强关联症状的权重和所述弱关联症状的权重，通过预设的症状体质关联表获得患者的第一轮体质得分。
72.也就是说，强关联症状与体质之间的影响权重通过随机森林拟合临床数据。而还包括，所述随机森林体质判定模型的预训练方法，包括：将患者临床症状数据集分为训练集和测试集；以患者是否存在强关联症状作为自变量，以患者是否属于某一体质类型作为因变量，利用所述训练集以体质类别为单位分别构建随机森林模型；利用所述测试集对所述以体质类别为单位的随机森林模型进行测试，并调整所述随机森林模型的参数，获得随机森林体质判定模型。
73.具体地说，将数据集按7：3的比例划分为训练集、测试集。以随机森林的特征重要性大小作为强关联症状对体质的影响权重大小。最后，根据弱关联症状与强关联症状之间的权值，强关联症状对体质之间的权值，可以针对体质的得分进行调整。需要说明的是，预设的症状体质关联表，反应了弱关联症状与强关联症状之间的权重，是根据关联规则算法拟合业务数据计算得到。具体步骤为：通过实际临床业务数据运用关联规则挖掘，设定置信度阈值0.2，针对通过关联规则结果的置信度作为弱关联症状与强关联症状之间的影响权重。
74.s140、当所述体质得分符合预设的体质分值评价标准时，筛选当前轮次的权重分数符合预设标准的症状作为待询问症状；按照预设的轮次问题针对所述待询问症状进行询问直至问题结束得到最终体质得分；也就是说，反馈当前轮次的最高体质得分下权重最高的症状作为下一轮有待询问的症状信息待询问表，如果要进行下一轮问诊，则将其作为下一轮将要询问的症状。
75.根据所述第一轮体质得分和预设的体质分值评价标准，判定是否需要进行下一轮症状提问，包括，通过当前轮次是否达到预先设定的最大轮次数，判定是否需要进行下一轮症状提问；若未达到，则判定需要进行下一轮症状提问；若达到，则停止进行症状提问。还包括，对当前轮次的体质得分按照从大到小进行排序，判断处于首位和第二位的体质得分之差是否大于预设阈值；若大于，则进行下一轮症状提问；若不大于，则停止提问终止。需要说明的是，每一轮都针对一个症状进行询问，需要确定待询问症状，并对症状进行问询后，对问询获得的结果需要按照步骤s120和s130进行体质得分的确定。在具体的实施过程中，还会通过后续调整后的体质得分与上一轮的体质得分进行比对，通过比对获得的变动幅度进行判定是否需要进行下一轮症状提问；比如若调整后的新体质分相比于旧体质分的变动过小，则继续询问，否则停止询问。
76.总之，进行下一轮次的症状提问直至判定不存在下一轮症状提问为止的方法为，根据三个条件来判断是否进行下一轮提问。条件一：轮次是否达到预先设定的最大轮次；若未达到最大询问轮次，则继续询问，否则停止询问。条件二：若某一项体质得分远超过其他体质分，则停止询问。否则继续询问。条件三：若调整后的新体质分相比于旧体质分的变动过小，则继续询问，否则停止询问。最后，若决定执行下一轮询问，则针对现有的症状信息待询问表及其症状权值，将症状权值从大到小进行排序，筛选出权值排名前4的症状作为待询问症状池，作为下一轮的提问症状，并重复上述步骤。若不进行下一轮询问，则根据体质得
分的大小得到体质预测结果。同时，根据症状池疾病权值的大小，确定问诊结果。
77.s150、根据所述最终体质得分，确定所述患者的体质辨识结果最终体质得分。
78.在一个具体的实施例中，在获取最终体质得分后，还包括如下利用召回症状进行体质分调整的方法，利用所述患者的个体数据的症状信息，通过病症体质权值映射表获得体质召回率数据，利用所述体质召回率数据对所述最终体质得分进行调整，获得患者的召回症状调整体质得分。
79.具体地说，调用智能问诊系统中的疾病诊断模块，适用部分召回率较高的规则调整体质得分。其中，召回率较高的规则是通过三位一体(辨病、辩证、辩体)中的病症体质权值映射表的筛选结果来调整体质得分，病症体质权值映射表仅用于体质预测规则的梳理。例如痰湿质的病症体质权值映射表的形式。例如，体质为：气虚质、气郁质、湿热质、特禀质、痰湿质、血瘀质、阳虚质、阴虚质；局部多脂症与各体质的对应的召回率分别为0.073529、0.44418、0.073529、0.0、0.750000、0.014706、0.044118、0.00000、68；肥胖病与上述体质的对应的召回率分别为：0.075188、0.022556、0.045113、0.0、0.819549、0.022556、0.015038、0.00000；133；肥胖症与上述体质的对应的召回率分别为：0.020408、0030612、0.040816、0.0、0.897959、0.000000、0.010204、0.000000；98。认为患者只要出现局部多脂症、肥胖病、肥胖症中的一种，则判断其为痰湿质。
80.需要说明的是，病症体质权值的规则获得来源于临床业务数据研究的两个方面：第一，通过对症状和体质信息进行相关性分析、卡方检验、列联表梳理疾病与体质、证型与体质之间的关系获得病症体质权值映射表；第二，使用所有症状信息(包括患者的主诉和症状信息)使用自然语言处理中的natural language understanding(nlu)、知识图谱结合中医的八纲辨证，调用疾病诊断接口。其中，八纲辨证为，诊断的一种基本方法。运用阴阳、表里、寒热、虚实八纲，对病证进行分析、归纳，为治疗提供依据。表里辨病位的浅深；寒热辨病证的性质；虚实辨邪正的盛衰；阴阳则是统摄其他六纲的总纲。表、热、实属阳、里、寒、虚属阴。八纲的四对矛盾，是相对的，互相联系，互相转化的。临床上错综复杂的证候都可以用它作分析归纳的基本方法。八纲辨证是中医各种辨证的总纲。
81.通过疾病诊断接口，运用关联规则算法对其接口返回的疾病与证型结果进行挖掘，通过置信度阈值剔除低召回率的无效规则，保留高召回率的有用规则。在一个具体的实施例中，针对疾病诊断接口的结果运用关联规则算法挖掘的过程说明如下：在诸多临床业务数据基础上调用疾病诊断接口，得到每个样本的疾病诊断结果，共计10个主要病症。在此基础上，针对不同的体质，分别运用关联规则算法挖掘出现频次较高的病症，将置信度高于0.8的频繁项集作为高召回率规则的筛选结果。例如，针对痰湿质，可以挖掘出痰湿中阻证，痰湿内盛，肥胖这一条规则，因此在调整痰湿质的体质得分时即可以依据该规则调整实际问诊系统中的体质得分：
82.调整后的痰湿质体质得分＝调整前的痰湿质得分*(1 0.8)。
83.在一个具体的实施例中，在获取召回症状调整体质得分后，还包括如下利用舌诊调整数据进行体质分调整的方法，利用所述患者的个体数据的症状信息以及舌诊信息获得舌诊调整数据，利用所述舌诊调整数据对患者的召回症状调整体质得分进行调整，获得患者的最终体质得分，利用最终体质得分确定所述患者的体质辨识结果。
84.具体地说，基于患者上传的舌诊性状与体质信息，将舌诊结果的各体质得分与现
有的体质得分进行相加，进而得到舌诊调整后的体质得分。
85.图2为本发明一实施例提供的基于人机交互的体质辨识方法的原理示意图。
86.如图2所示，首先对通过患者的个人身份信息获得患者的初始化体质分分数；其中，患者的个人身份信息就是患者的基本信息，包括性别，年龄等；在初始化体质分获取的过程中，参考性别年龄初始化字典，也就是利用统计学方法，将初始化体质分等于年龄分组分数、性别分数以及体质分数之和。第二，通过将患者病症区分为强关联症状和弱关联症状，通过弱关联症状的引入，提升了体质辨识的准确率，同时也为疾病诊断的提问提供了重要的依据。通过构建随机森林体质判定模型获得强关联症状的权重值，利用症状体质关联表获得弱关联症状的权重；通过强关联症状的权重和弱关联症状的权重以及患者的初始化体质分分数获得症状调整体质分。具体地说，综合利用肯定症状和否定症状，将肯定否定症状区分为强关联症状和弱关联症状，弱关联症状间接影响体质；其中，强关联症状的权重确定是通过随机森林体质判定模型，而弱关联症状通过症状体质关联表，根据预设的关联规则实现。第三，通过调用疾病诊断接口，使用召回较高的规则调整症状调整体质分，获得病症调整体质分；第四，通过使用现有的舌诊体质结构投票调整病症调整体质分，获得舌诊调整体质分，将舌诊调整体质分作为最终的体质得分，进而获得患者的体质预测结果，利用体质预测结果进行诊断。总之，使用否定症状辅助反馈当前体质分下权重最高的症状；而调用疾病诊断接口，使用部分召回较高的规则调整体质得分；最后，初步使用现有舌诊体质结果投票调整，获得舌诊调整体质分。
87.通过图2可见，加入否定症状辅助判断完成在6类场景下的初步对比试验，发现纳入否定症状辅助模型识别相比于仅适用肯定症状效果提升3％；而利用三位一体的病症体质映射表，也就是采用相关性分析，列联表、卡方检验梳理疾病和体质，证型和体质之间的关系。适用所有症状调用疾病诊断接口，适用关联规则挖掘高召回的规则，部分体质可以得到较好的结果，如痰湿质召回67％。
88.综上，本发明的一种基于人机交互的体质辨识方法相对于目前业界问诊系统流程中存在的询问轮次过多，问诊流程冗余，诊断结果不精确等问题，本发明在中医体质辨识场景下，加入传统问诊流程中忽略的否定症状，将否定症状与肯定症状结合后通过真实临床业务数据研究得到权重来区分强关联与弱关联症状，进而将强关联症状作为问诊过程中优先询问的症状，达到了能够更好的简化问诊流程，缩小问诊轮次的技术效果；基于辨病、辩证、辩体三位一体的思想，通过业务数据归纳的疾病、证型与体质之间强关联关系来进一步调整体质分，达到减小问诊过程中的询问次数的同时增加体质辨识的诊断效率以及准确率的技术效果；通过引入舌诊症状信息，能够进一步提升体质辨识准确率，简化体质辨识场景下的问诊流程；总之，通过患者基本信息、否定症状的纳入、权重研究、三位一体的应用、舌诊结果的纳入，达到了在中医体质辨识场景下，能够准确且有效的减少问诊次数，实现更加智能化的动态问诊流程的技术效果。
89.如图3所示，本发明提供一种基于人机交互的体质辨识系统300，本发明可以安装于电子设备中。根据实现的功能，该基于人机交互的体质辨识系统300可以包括数据获取单元310、初始化体质分获取单元320、体质得分获取单元330、最终体质得分获取单元340以及体质预测单元350。本发明所述单元也可以称之为模块，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
90.在本实施例中，关于各模块/单元的功能如下：
91.数据获取单元310，用于通过预设的第一轮问题交互获取患者的个体数据；其中，所述个体数据包括个人身份信息和症状信息，所述症状信息包括强关联症状和弱关联症状；
92.初始化体质分获取单元320，用于利用预设体质判别规则对所述个体数据的个人身份信息进行判断确定所述患者的初始化体质分；
93.体质得分获取单元330，用于根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分；
94.最终体质得分获取单元340，用于当所述体质得分符合预设的体质分值评价标准时，筛选当前轮次的权重分数符合预设标准的症状作为待询问症状；
95.按照预设的轮次问题针对所述待询问症状进行询问直至问题结束得到最终体质得分；；
96.体质预测单元350，用于根据所述最终体质得分，确定所述患者的体质辨识结果。
97.进一步，还包括，召回症状调整单元(图中未示出)，用于利用所述患者的个体数据的症状信息，通过病症体质权值映射表获得体质召回率数据，利用所述体质召回率数据对所述最终体质得分进行调整，获得患者的召回症状调整体质得分。
98.进一步，还包括：舌诊症状调整单元(图中未示出)，用于利用所述患者的个体数据的症状信息以及舌诊信息获得舌诊调整数据，利用所述舌诊调整数据对患者的召回症状调整体质得分进行调整，获得患者的最终体质得分，利用最终体质得分确定所述患者的体质辨识结果。
99.本发明的基于人机交互的体质辨识系统300是一种人工智能医疗辅助装置，通过患者基本信息、否定症状的纳入、权重研究、三位一体的应用、舌诊结果的纳入，达到了在中医体质辨识场景下，能够准确且有效的减少问诊次数，实现更加智能化的动态问诊流程的技术效果。
100.如图4所示，本发明提供一种基于人机交互的体质辨识方法的电子设备4。
101.该电子设备4可以包括处理器40、存储器41和总线，还可以包括存储在存储器41中并可在所述处理器40上运行的计算机程序，如基于人机交互的体质辨识程序42。存储器41还可以既包括人工智能医疗的基于人机交互的体质辨识系统的内部存储单元也包括外部存储设备。存储器41不仅可以用于存储安装于人工智能医疗辅助装置的应用软件及各类数据，例如人工智能医疗辅助程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
102.其中，所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器41在一些实施例中可以是电子设备4的内部存储单元，例如该电子设备4的移动硬盘。所述存储器41在另一些实施例中也可以是电子设备4的外部存储设备，例如电子设备4上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器41还可以既包括电子设备4的内部存储单元也包括外部存储设备。所述存储器41不仅可以用于存储安装于电子设备4
的应用软件及各类数据，例如基于人机交互的体质辨识程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
103.所述处理器40在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器40是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器41内的程序或者模块(例如基于人机交互的体质辨识程序等)，以及调用存储在所述存储器41内的数据，以执行电子设备4的各种功能和处理数据。
104.所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器41以及至少一个处理器40等之间的连接通信。
105.图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备4的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
106.例如，尽管未示出，所述电子设备4还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器40逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备4还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
107.进一步地，所述电子设备4还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备4与其他电子设备之间建立通信连接。
108.可选地，该电子设备4还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备4中处理的信息以及用于显示可视化的用户界面。
109.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
110.所述电子设备4中的所述存储器41存储的基于人机交互的体质辨识程序42是多个指令的组合，在所述处理器40中运行时，可以实现：通过预设的第一轮问题交互获取患者的个体数据；其中，所述个体数据包括个人身份信息和症状信息，所述症状信息包括强关联症状和弱关联症状；利用预设体质判别规则对所述个体数据的个人身份信息进行判断确定所述患者的初始化体质分；根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分当所述体质得分符合预设的体质分值评价标准时，筛选当前
轮次的权重分数符合预设标准的症状作为待询问症状；按照预设的轮次问题针对所述待询问症状进行询问直至问题结束得到最终体质得分；根据所述最终体质得分，确定所述患者的体质辨识结果。
111.具体地，所述处理器30对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述基于人机交互的体质辨识程序的私密和安全性，上述数据库高可用处理数据存储于本服务器集群所处区块链的节点中。
112.进一步地，所述电子设备4集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
113.本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：通过预设的第一轮问题交互获取患者的个体数据；其中，所述个体数据包括个人身份信息和症状信息，所述症状信息包括强关联症状和弱关联症状；利用预设体质判别规则对所述个体数据的个人身份信息进行判断确定所述患者的初始化体质分；根据所述初始化体质分、所述强关联症状、所述弱关联症状和预训练的随机森林体质判定模型确定所述强关联症状的权重分数和所述弱关联症状的权重分数，获得所述患者的体质得分；根当所述体质得分符合预设的体质分值评价标准时，筛选当前轮次的权重分数符合预设标准的症状作为待询问症状；按照预设的轮次问题针对所述待询问症状进行询问直至问题结束得到最终体质得分；根据所述最终体质得分，确定所述患者的体质辨识结果。
114.具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例基于人机交互的体质辨识方法中相关步骤的描述，在此不赘述。
115.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
116.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
117.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
118.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
119.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
120.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机
技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
121.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
122.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。